智能Web应用中个性化推荐算法研究

发布时间：2020-07-13 13:39

【摘要】：互联网应用快速发展带来信息和数据的爆炸式增长。推荐系统在这样的背景下诞生,能够帮助用户快速有效地在海量数据中获取信息,并逐渐成为缓解信息过载问题的重要工具之一。推荐系统的关键是个性化推荐算法,个性化推荐算法根据用户背景信息和行为信息的不同产生不同的推荐结果,满足用户个性化需求。并且当用户需求不明确时,个性化推荐算法能够主动定位用户需求并提供特殊定制的推荐服务。虽然个性化推荐技术发展迅速,但仍存在许多亟待解决的问题,例如实时性差、数据稀疏、可扩展性差等问题。本文分别介绍了基于协同过滤、基于内容和混合推荐算法,并针对基于Bandit模型和基于概率分解模型的推荐算法进行分析和改进,提出了不同的改进方案。本文主要的研究工作如下:(1)对个性化推荐技术的研究背景和意义进行简要回顾,并列举了目前各类推荐算法的研究现状,概述了推荐系统的形式化定义,详细介绍了不同分类的推荐算法,分析了各类推荐算法的原理及优缺点,为后面的研究工作提供理论基础。(2)对传统的基于Bandit模型的推荐算法进行了分析,发现此类算法易产生马太效应和长尾现象,针对该问题提出一种多目标优化推荐算法。算法在保证预测精准度的基础上有效地避免马太效应,并提高推荐系统对长尾物品的挖掘能力。本文采用YaHoo的新闻推荐数据集对算法进行实验和评价,实验结果表明多目标优化推荐算法能够在预测准确率较高的情况下,有效地解决长尾物品发掘问题,避免马太效应,提高推荐系统的精度和广度。(3)对传统的基于概率矩阵分解模型的推荐算法进行了分析,发现此类算法没有同时考虑到用户属性信息和物品间关联信息,这些信息也会影响推荐结果。针对该问题提出一种新的基于协同过滤的推荐算法,算法将用户属性信息和推荐对象间的关联信息应用于概率矩阵分解模型。首先,挖掘用户属性信息和物品间关联信息,然后将得到的信息融入到基本的概率矩阵分解模型中。采用MovieLens数据集来验证算法优劣,实验结果表明该算法优于现有几种传统推荐算法。
【学位授予单位】：中南民族大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;TP393.09
【图文】：

数据集,算法,训练集

是“ICML 2012 Exploration and Exploitation 3 Challenge”的赢家。本次实验抽取 40 个用户，1000 篇文章作为训练集，所有算法的α 取值均为0.2。首先，在图 3.2 中比较了 MOOB 算法和 LinUCB-ONE、LinUCB-IND、LinUCB-V 算法在同样条件下的随着实验迭代次数的增加累计遗憾的变化。图 3.2 YaHoo 数据集上累计遗憾结果比较图由图 3.2 可见，MOOB 算法在随之实验次数的增加其累计遗憾值逐渐趋于平稳。由于 MOOB 算法在考虑累计遗憾的同时考虑了推荐的多样性，所以累计遗憾值略高于 LinUCB-V 和 LinUCB-ONE 算法。但是对比和 LinUCB-IND 算法其

参数预估,数据集,误差,算法

图 3.3 YaHoo 数据集上参数预估误差结果比较图图 3.3 可以看到在相同的实验条件下，MOOB 算法在所有算法中下降最估误差最小。同时可以观察到 LinUCB-V 算法虽然在累计遗憾这一指标好，但是它的预估误差在四种算法中是最大的，这表示 LinUCB-V 算法度上出现了过拟合现象。

参数预估,数据集,误差,算法

【参考文献】